MétaCan
Menu
Retour à la cohorte
Enregistrement W2973196958 · doi:10.1128/jmbe.v20i2.1759

Promoting Science Communication with Children’s Literature as a High-Impact Practice (HIP) Assessment

2019· article· en· W2973196958 sur OpenAlexaff
Sarah E. Ruffell, Tommy Mayberry

Notice bibliographique

RevueJournal of Microbiology and Biology Education · 2019
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDigital Storytelling and Education
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésOutreachConstructiveScience communicationRelevance (law)ConversationComputer scienceWork (physics)Appreciative inquiryMultimediaScience educationMathematics educationPedagogyPsychologyEngineeringProcess (computing)Political science

Résumé

récupéré en direct d'OpenAlex

To emphasize the importance of public outreach and science communication within STEM, and to foster in students a greater appreciative understanding of the scientific content within their courses, the Science Library Project has students creating children’s books about key course content. At the end of this project, the student writer-publishers are able to display their critical and creative work as they collaborate with local teachers in a networked conversation about science and multimodal communication. This innovative pedagogical approach to assessment is important both inside and outside of the Sciences because it participates in High Impact Practice (HIP) pedagogy to have students invest a significant amount of time and effort over an extended period of time as they participate in frequent, timely, and constructive feedback and, most importantly, have the opportunity to discover the relevance of their learning through real-world applications in the public demonstration of their book projects. This practical paper shares our approach to creating and implementing the Science Library Project that activates written and visual communication modes to motivate Science learners to engage with course concepts in deeper and creative ways.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,045

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,020
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,001
Études des sciences et des technologies0,0020,002
Communication savante0,0040,003
Science ouverte0,0010,008
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,019
Tête enseignante GPT0,422
Écart entre enseignants0,403 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Microbiology and Biology EducationMême sujetDigital Storytelling and EducationTravaux en français237 207